Introducción
- En general, la asesoría científica se enriquece por medio de una precisa presentación de resultados
- Precisa en: Objetivos y coherencia
- Una presentación meramente enfocada en descripción de datos deja espacio para una avalancha de preguntas
- Por esto, las técnicas de visualización se convierten en nuestras aliadas
People know accuracy when they read it; they can feel it.
exceso de informacion!!
Metodos usuales
Esquema
Parte 1: Manipulación de datos
Revisaremos tres tipos de visualizaciones, utilizando diferentes conjuntos de datos:
- Estructura de edades desagregadas — Complejidad:
Simple - Distribución espacial de lances de pesca — Complejidad:
Media
Parte 2: Ejemplos
- Exploración de resultados en estudios IFOP — Complejidad:
Avanzada
- RMS para especies explotadas
- Reglas de control de captura en Bacalao de profundidad
- Simulaciones intensiva de datos: MSE
1) Edades en Merluza de tres aletas
Revisando los datos
Una primera vista
Queremos mostrar la captura anual (total numero) diferenciada por sexo, dando señales sobre los pesos promedios de la captura, pero sin sobre cargar la figura.
# Usualmente se busca indicadores por grupo
t1 <-m3a %>%
filter(year >= 2009) %>%
group_by(year,sex) %>%
summarise(number = sum(n)/1e6, n = n(), meanw = round(mean(weight)/1000,3))
p1 <- ggplot(t1, aes(year,number,group=meanw)) +
geom_bar(aes(fill=sex), stat='identity', position=position_dodge()) +
labs(title= NULL, x = 'year', y = 'Captura Numero [*1e6]') + guides(fill=FALSE) +
scale_fill_manual(values=c("#999999", "#E69F00")) + theme_pander()
ggplotly(p1, tooltip = c("x", "y", "fill", "group"))Estructura de Edad
Es recurrente buscar patrones temporales en las composiciones de edades que permitan identificar el crecimiento individual, el éxito de cohortes que han reclutado con fuerza en la pesquería, y cambios en la fracción explotable. Sin embargo, esto se dificulta cuando los datos están agregados por estratos, por ejemplo, zonas y sexo.
Por Año
Esta grafica compara las estructuras entre sexo para todos los años. La escala de color identifica el estrato sexo y buscamos responder sobre el estrato anual sin generar diferencia en la legenda. El objetivo es destacar un cambio el año 2014.
# jitter data
t2 <- m3a %>% filter(year>= 2009) %>% mutate(n = n/1e6)
p2 <- ggplot(t2,aes(x=age, y=n, colour=sex)) +
geom_jitter(aes(text=paste("Year: ", year)), width=0.05, alpha=0.5 ) +
geom_line(aes(group=year), alpha = 0.2) +
theme(axis.text.x = element_text(angle = -30, hjust = 0.1)) +
labs(title = "Captura por edad anual", x = "Edad", y = "N [1e6]") +
guides(colour=FALSE) + theme_gdocs() + scale_color_wsj()
ggplotly(p2) Por Sexo
Una exploración, esta vez, comparando entre años permite dejar evidencia del impacto en el cambio de escala en la captura posterior al 2014. Esta condición juveniliza la fracción explotada por la flota y posiblemente responde a la reducción de la captura limite.
# jitter data
p3 <- ggplot(t2,aes(x=age, y=n, colour=factor(year))) +
geom_jitter(aes(text=sex), width=0.05, alpha=0.5 ) +
geom_line(aes(group=sex), alpha = 0.2) +
theme(axis.text.x = element_text(angle = -30, hjust = 0.1)) +
labs(title = "Captura por edad entre sexos", x = "Edad", y = "N [1e6]") +
guides(colour=FALSE) + theme_gdocs()+ scale_color_pander()
ggplotly(p3)Explicando por facetas
Hasta ahora lidiamos con tres (3) categorías (edad, sexo, año). Frente a preguntas que intenten de buscar mayor argumento a los cambios en la fracción explotable, es posible abrir las categorías y representarlas separadamente.
Boxplots
Una exploración global que no separe los tiempos ante/después del 2014, posiblemente lleve a una confusión y solo muestre diferencia de captura entre sexos.
t3 <-t2 %>% mutate(agef = factor(age))
p4 <- ggplot(t3,aes(x=agef, y=n))+
geom_jitter(aes(colour=year, group=sex), alpha=0.5, width=0.25 ) +
geom_boxplot(aes(fill=sex), alpha=0.8, outlier.shape = NA) +
theme(axis.text.x = element_text(angle = -30, hjust = 0.1)) +
labs(title = "Boxplot por sexo", x = "Edad", y = "N [1e6]") +
guides(fill=FALSE, colour=FALSE) + theme_gdocs() +
scale_fill_manual(values=c("#999999", "#E69F00")) +
scale_color_gradientn(colours = terrain.colors(10))
ggplotly(p4, tooltip = c("x", "y", "fill", "group", "colour")) %>%
highlight("plotly_selected")Facetas
Sin embargo, cuando se crea una nueva categoría que identifica el periodo posterior a las enmiendas en la ley (si - no), las diferencias emergen.
t3 <-t2 %>% mutate(agef = factor(age), law = ifelse(year <= 2013,"no","si") )
p4a <- ggplot(t3,aes(x=agef, y=n)) +
geom_jitter(aes(colour=year, group=law), alpha=0.5, width=0.25 ) +
geom_boxplot(aes(fill=law), alpha=0.8, outlier.shape = NA) +
facet_grid(. ~ sex) +
theme(axis.text.x = element_text(angle = -30, hjust = 0.1)) +
labs(title = "Boxplot por sexo", x = "Edad", y = "N [1e6]") +
guides(fill=FALSE, colour=FALSE) + theme_gdocs() +
scale_fill_manual(values=c("#999999", "#E69F00")) +
scale_color_gradientn(colours = terrain.colors(10))
ggplotly(p4a, tooltip = c("x", "y", "fill", "group", "colour")) %>%
highlight("plotly_selected")Animaciones
Si bien, las animaciones posibilitan exponer los mismos puntos que los gráficos estáticos de las secciones anteriores, facilitan llamar la atención de la audiencia y permiten integrar información auxiliar para cambiar el sentido de la charla, por ejemplo, el peso medio a la edad (tamaño de círculos).
Sobrepuesto
t4 <-t3 %>% mutate(ws = (weight-min(weight))/(max(weight)-min(weight)))
p <- ggplot(t4,aes(x=age, y=n, colour=sex, fill=sex)) +
geom_line(aes(frame=year)) + geom_point(aes(frame=year, size=weight)) +
scale_fill_manual(values=c("chocolate2", "dodgerblue1")) +
scale_color_manual(values=c("chocolate2", "dodgerblue1")) +
scale_size(range = c(-1, 7)) +
labs(title = "Captura edad", x = "Edad", y = "N [1e6]") +
guides(colour=FALSE, fill=FALSE, size=FALSE) + theme_pander()
ggplotly(p, tooltip = c("x", "y", "size", "fill")) %>%
animation_opts(1000, easing = "elastic", redraw = FALSE) %>%
animation_slider(currentvalue = list(prefix = "Year: ", font = list(color="goldenrod2")))Facetas
t5 <-t4 %>% mutate(fishery2 = as.factor(fishery))
levels(t5$fishery2)[t5$year>=2014] <- "Trawl"
t5$fishery2[t5$year>=2014] <- "Trawl"
p <- ggplot(t5,aes(x=age, y=n, colour=sex)) +
geom_line(aes(frame=year)) + geom_point(aes(frame=year, size=weight)) +
facet_grid(. ~ sex) +
scale_color_manual(values=c("chocolate2", "dodgerblue1")) +
scale_size(range = c(-1, 7)) +
labs(title = "Captura edad", x = "Edad", y = "N [1e6]") +
theme_few() + theme(legend.position = "none")
ggplotly(p, tooltip = c("x", "y", "size")) %>%
animation_opts(1000, easing = "elastic", redraw = FALSE) %>%
animation_slider(currentvalue = list(prefix = "Year: ", font = list(color="goldenrod2")))2) Despliegue espacial
Áreas de pesca
Usualmente clasificamos lances de pesca (registro espacial) en categorías, por ejemplo, procedencias, polígonos, áreas, flotas. Focalizar las discusiones sobre algunas categorías es usual y para esto una representación grafica sencilla permite mayor comunicación.
Construyendo Polígonos
Basado en nuestro objetivo de comunicación, podemos centrarnos en diferentes
Selección por cuadrante
En ocasiones queremos llevar al publico a un especifico detalle en los datos, para esto podemos seleccionar un cuadrante con bordes lon*lat
p +
geom_mark_hull(aes(label = polyf, fill = polyf), show.legend = FALSE, expand = unit(2, "mm")) +
theme_pander() +
facet_zoom(xlim = c(-73.5, -73), ylim = c(-43, -42))
3) Resultados de nuestros estudios
Rendimiento Máximo Sostenible
Reglas de control de captura (Bacalao)
Simulaciones en Merluza del sur
Gracias!!
- Esta presentación contiene aprox. 350 líneas de código
- Conocimiento medio (como el mío) ~5-6 horas de preparación
- No más de 7 librerías de
R
library(rmdformats)
library(readxl)
library(tidyverse)
library(plotly)
library(ggthemes)
library(ggforce)
library(readr)Gracias a Mauro Mardones y Francisco Contreras por los datos